그래프 신경망과 강화 학습을 통한 고품질 CGRA 매핑

Coarse-Grained Reconfigurable Architectures (CGRA)는 에너지 효율성과 유연성의 좋은 조합으로 인해 도메인 응용 프로그램을 가속화하는 유망한 솔루션입니다. 루프는 응용 프로그램의 계산 집약적인 부분으로, 종종 CGRA에 매핑되며, 실행 성능을 향상시키기 위해 모듈로 스케줄링이 일반적으로 사용됩니다. 그러나 모듈로 스케줄링을 사용할 때 실제 성능은 루프에서 추출된 데이터 종속 그래프 (DDG)의 매핑 능력에 크게 의존합니다. 기존 접근법은 일반적으로 빠른 컴파일을 위해 다중 주기 의존성의 라우팅 탐색을 매핑과 분리하므로, 매핑 품질이 저하되는 문제가 발생할 수 있습니다. 본 논문에서는 라우팅 탐색을 매핑 과정에 통합하여 전 세계적으로 최적화된 솔루션을 찾을 수 있는 기회를 늘립니다. 한편, 정의된 리소스 그래프를 통해 새로운 매핑 문제의 검색 공간은 크게 증가하지 않습니다. 문제를 효율적으로 해결하기 위해, 우리는 그래프 신경망 기반의 강화 학습을 도입하여 DDG의 모든 연산에 대해 다양한 자원 노드에서 배치 분포를 예측합니다. 라우팅 연결성을 보상 신호로 사용하여, 정책 기울기 방법으로 신경망의 매개변수를 최적화하여 유효한 매핑 솔루션을 찾습니다. 많은 공학적 접근이나 휴리스틱 설계 없이, 우리의 접근법은 최신 휴리스틱에 비해 1.57배의 매핑 품질을 달성합니다.